用Python自動下載網(wǎng)站所有文件

最近維基 jie mi 徹底公開了網(wǎng)站的全部文件，我就在想如何使用 Python 將其下載到本地永久保存，于是就有了這篇文章，寫爬蟲會遇到很多坑，借鑒他人經(jīng)驗(yàn)，考慮越全面，出錯的概率就越小。

假如一個網(wǎng)站，里面有很多鏈接，有指向文件的，有指向新鏈接的，新的鏈接點(diǎn)擊進(jìn)去后，仍然是有指向文件的，有指向新鏈接的，類似一個文件夾，里面即有文件，又有目錄，目錄中又有文件和目錄。如何從這樣的網(wǎng)站上下載所有的文件，并按網(wǎng)站的目錄結(jié)構(gòu)來保存這些文件呢？

關(guān)鍵詞：Python、下載、正則表達(dá)式、遞歸。

按照自頂向下來設(shè)計(jì)程序，我們整理自己的思路，然后使用 Python 語言來翻譯下即可。

思路：由于目錄的深度不固定，也不可能窮舉，且每一個目錄的處理方式和子目錄父目錄的處理流程都是一樣的，因此我們可以使用遞歸來下載所有文件。

遞歸代碼必須要有退出條件，退出條件要放在前面，本例中的遞歸退出條件就是：如果是文件就下載，下載完遞歸函數(shù)即完成任務(wù)。

總體思路：

1、給定一個 url，判斷是否是文件，如果是文件，下載即可，然后函數(shù)結(jié)束。

2、如果給定 url 不是文件，那么訪問該 url，并獲取它下面的所有鏈接。

3、遍歷步驟 2 產(chǎn)生的所有鏈接，遞歸的執(zhí)行步驟 1 和 2，直到程序運(yùn)行結(jié)束。

以上思路，用代碼描述如下：

import urllib.request
import requests
import re, os


def get_file(url):
 '''
 遞歸下載網(wǎng)站的文件
 :param url:
 :return:
 '''
 if isFile(url):
  print(url)
  try:
   download(url)
  except:
   pass
 else:
  urls = get_url(url)
  for u in urls:
   get_file(u)

前面導(dǎo)入的包在接下來函數(shù)中會用到，下面就是逐漸層向下，實(shí)現(xiàn)子功能。

判斷鏈接是否指向文件：

這里總結(jié) url 規(guī)律，很容易寫出。

def isFile(url):
 '''
 判斷一個鏈接是否是文件
 :param url:
 :return:
 '''
 if url.endswith('/'):
  return False
 else:
  return True

下載文件：

下載文件時要從 url 中獲取文件應(yīng)該存儲的位置，并使用 os.makedirs 來創(chuàng)建多級目錄。然后使用 urllib.request.urlretrieve 來下載文件。

def download(url):
 '''
 :param url:文件鏈接
 :return: 下載文件，自動創(chuàng)建目錄
 '''
 full_name = url.split('//')[-1]
 filename = full_name.split('/')[-1]
 dirname = "/".join(full_name.split('/')[:-1])
 if os.path.exists(dirname):
  pass
 else:
  os.makedirs(dirname, exist_ok=True)
 urllib.request.urlretrieve(url, full_name)

獲取 url 下的所有鏈接：

這里要具體網(wǎng)站具體分析，看看如何使用正則表達(dá)式獲取網(wǎng)頁中的鏈接，這樣的正則表達(dá)式可以說是再簡單不過了。

def get_url(base_url):
 '''
 :param base_url:給定一個網(wǎng)址
 :return: 獲取給定網(wǎng)址中的所有鏈接
 '''
 text = ''
 try:
  text = requests.get(base_url).text
 except Exception as e:
  print("error - > ",base_url,e)
  pass
 reg = 'a href="(.*)" rel="external nofollow" >.*/a>'
 urls = [base_url + url for url in re.findall(reg, text) if url != '../']
 return urls

這里有個小坑，就是網(wǎng)站有個鏈接是返回上級頁面的，url 的后輟是 '../' 這樣的鏈接要去掉，否則遞歸函數(shù)就限入了死循環(huán)。

接下來就是寫主函數(shù)，執(zhí)行任務(wù)了，慢慢等它下載完吧。

if __name__ == '__main__':
 get_file('https://file.wikileaks.org/file/')

其實(shí)，還會存兩個問題：

1、假如網(wǎng)站某頁有個鏈接它指向了首頁，那么遞歸程序仍然會限入一個死循環(huán)，解決方法就是將訪問過的 url 保存在一個列表里（或者其他數(shù)據(jù)結(jié)構(gòu)），如果接下來要訪問的 url 不在此列表中，那么就訪問，否則就忽略。

2、如果下載的過程中程序突然報(bào)錯退出了，由于下載文件較慢，為了節(jié)約時間，那么如何讓程序從報(bào)錯處繼續(xù)運(yùn)行呢？這里可采用分層遞歸，一開始時先獲取網(wǎng)站的所有一級 url 鏈接，順序遍歷這些一級 url 鏈接，執(zhí)行上述的 get_file(url) ，每訪問一次一級 url 就將其索引位置加1（索引位置默認(rèn)為0，存儲在文件中或數(shù)據(jù)庫中），程序中斷后再運(yùn)行時先讀取索引，然后從索引處開始執(zhí)行即可。另外，每下載成功一個文件，就把對應(yīng)的 url 也保存在文件中或數(shù)據(jù)庫中，如果一級 url 下的鏈接已經(jīng)下載過文件，那么就不需要重新下載了。

以上就是用Python自動下載網(wǎng)站所有文件的詳細(xì)內(nèi)容，更多關(guān)于python 自動下載網(wǎng)站文件的資料請關(guān)注腳本之家其它相關(guān)文章！